Introduction
Dans un précédent article, nous avons présenter les tâches de machine learning les plus importantes. Dans ce présent article, nous allons expliquer comment chacune des tâches en question peuvent être utilisées pour élaborer une bonne connaissance de l’expérience-employé, connaissance qui est un préalable à l’élaboration de plans d’actions pertinents. Dans de futurs articles, nous aurons l’occasion de reprendre chacune des tâches évoquées ici et d’illustrer leur utilité pour comprendre l’expérience employé à l’aide d’exemples et de graphiques. C’est parti !
1. Classification et régression
La classification peut être utilisée pour prédire divers aspects de l’expérience employé, tels que le niveau de satisfaction, l’engagement, ou la propension à quitter l’entreprise. En utilisant des données telles que les évaluations des performances, les réponses aux enquêtes de satisfaction, ou les interactions avec les plateformes internes, les modèles de classification peuvent aider à identifier les facteurs qui influent sur ces aspects de l’expérience employé.
Toutefois, en disposant simplement de données de sondages interrogeant les salariés sur de nombreux aspects de leurs vie dans l’entreprise (émotions ressenties à court terme, équilibre de vie, opportunité, confiance dans la direction, solidarité avec les collègues, sens trouvé dans le travail, etc.) et leur satisfaction ou leur engagement, il est possible d’obtenir des résultats intéressants. Choisissez d’abord la variable que vous souhaitez prédire (on l’appelle la variable cible) : la satisfaction, l’engagement, etc. Elle peut dépendre de vos enjeux internes.
Ensuite, vous répartissez les réponses obtenues pour cette variable en plusieurs catégories (par exemple : engagés, modérément engagés, désengagés) en fonction de leur niveau d’engagement. C’est ce que l’on appelle discrétiser une variable. Et, vous encodez les catégories de la variable discrétisée : c’est-à-dire vous associez à chaque étiquette « engagés », etc. un nombre qui pourra être traité par un algorithme.
Il est désormais possible d’utiliser des algorithmes de classification pour essayer de prédire l’appartenance aux différentes catégories d’engagement (engagés, modérément engagés, désengagés) en fonction des autres variables mesurées. En procédant ainsi vous pourriez être en mesure d’identifier les deux ou trois variables qui contribuent le plus à l’engagement de vos salariés.
Il serait également possible d’apprendre à prédire l’engagement sans discrétiser votre variable cible, c’est-à-dire en conservant les mesures telles qu’elles sont. On pourrait alors utiliser d’autres algorithmes, dits de régression, qui vont quant à eux tenter de prédire le niveau chiffré d’engagement en fonction des autres variables. Ici aussi, l’analyse des prédictions effectuées par l’algorithme pourrait permettre d’identifier les variables-leviers pour favoriser l’engagement.
2. Regroupement (Clustering)
Le regroupement peut être utilisé pour segmenter les salariés en groupes ayant des caractéristiques similaires ou des besoins similaires en matière d’expérience-employé. Cela permet de mieux comprendre les différents segments de la main-d’œuvre et d’adapter les stratégies de gestion des talents en conséquence. Par exemple, en regroupant les salariés en fonction de leur niveau d’engagement ou de leurs préférences en matière de développement professionnel, les entreprises peuvent mieux cibler leurs initiatives de rétention et de développement.
Le regroupement n’est pas un mode d’apprentissage supervisé comme la classification ou la régression. On ne donne pas de variable cible à l’algorithme en lui demandant de la prédire en fonction des autres variables. Les algorithmes de regroupement ou de clustering vont chercher une structure dans les données. Il est possible d’analyser les regroupements proposés par différents algorithmes de clustering afin de comprendre quels sont les profils des salariés étant regroupés dans les différents clusters afin de comprendre ce qu’ils ont en commun.
Vous pourriez ainsi constater que votre entreprise est constituée d’un groupe de salariés qui est fortement stressé, craint de perdre son emploi, n’utilise guère ses forces personnelles, ne trouve pas de soutien de la part du management, a un sentiment d’injustice, se défie de la direction, etc. tandis qu’un autre groupe se distingue par le fait qu’il se sent valorisé, dispose d’opportunités de progresser, trouver du sens dans son travail, et se sent bien au sein du collectif, etc. Comprendre précisément les profils de ces groupes hypothétiques peut avoir une grande utilité pour engager le dialogue, imaginer des solutions de re-médiation ciblées, communiquer d’une façon plus appropriée, mettre en place des formations, etc.
3. Analyse de sentiment
L’analyse de sentiment est une branche de ce que l’on appelle le traitement automatique des langues naturelles. Elle peut être utilisée pour comprendre les sentiments ou les opinions des salariés à l’égard de divers aspects de leur expérience au travail, tels que la culture d’entreprise, le leadership, ou les opportunités de croissance. En analysant les commentaires des salariés dans les enquêtes, les évaluations des performances, ou les plateformes de médias sociaux internes, les entreprises peuvent identifier les domaines où des améliorations sont nécessaires et prendre des mesures correctives.
Les modèles larges de langage (LLM) ont rendu possible d’effectuer des tâches de traitement automatique des avis, commentaires, suggestions, de façon beaucoup plus rapide qu’auparavant. Ce qui signifie qu’une entreprise peut désormais se mettre plus facilement à l’écoute de communautés à l’intersection desquelles elle se situe : clients, salariés, partenaires, etc. La mobilisation de l’intelligence collective pour comprendre des problèmes, trouver de l’inspiration, se mettre à l’écoute, trouver des tendances, a été rendue plus aisée avec ces modèles.
4. Détection d’anomalies
La détection d’anomalies peut être utilisée pour identifier les comportements ou les incidents inhabituels qui pourraient indiquer des problèmes potentiels dans l’expérience employé, tels que des conflits interpersonnels, des cas de harcèlement, ou des cas de stress excessif. En surveillant les données telles que les plaintes des salariés, les taux d’absentéisme, ou les incidents de sécurité, les entreprises peuvent détecter et traiter rapidement les problèmes avant qu’ils ne deviennent plus graves.
5. Combiner les tâches
Il est évidemment possible de combiner différentes tâches pour affiner l’analyse de données et trouver des insights encore plus intéressants et utiles. Par exemple, on peut utiliser les algorithmes de classification ou des régression pour prédire de façon précise l’engagement et comprendre quelles sont les variables-leviers. Une fois identifiése, on peut par exemple interroger les salariés pour comprendre quelles actions concrètes pourraient améliorer le niveau d’engagement. On pourrait alors analyser les réponses données pour identifier les tendances, les idées populaires grâce à l’analyse de sentiment. Cette analyse pourrait même être effectuées en tenant compte des clusters ou groupes crées, ou du niveau d’engagement catégorisé, ce qui ouvrirait la voie à des réponses ajustées à chaque groupe de salariés.
Conclusion
En utilisant ces tâches de machine learning, les entreprises peuvent obtenir des informations précieuses sur l’expérience employé, identifier les domaines à améliorer, et mettre en œuvre des initiatives ciblées pour renforcer l’engagement, la satisfaction, et la rétention des salariés. Ces approches permettent aux entreprises de prendre des décisions plus éclairées en matière de gestion des ressources humaines et de créer un environnement de travail plus favorable pour leurs salariés.
